CN115753953A - 未知芬太尼类物质的质谱检测方法 - Google Patents
未知芬太尼类物质的质谱检测方法 Download PDFInfo
- Publication number
- CN115753953A CN115753953A CN202211442157.0A CN202211442157A CN115753953A CN 115753953 A CN115753953 A CN 115753953A CN 202211442157 A CN202211442157 A CN 202211442157A CN 115753953 A CN115753953 A CN 115753953A
- Authority
- CN
- China
- Prior art keywords
- fentanyl
- mass
- characteristic fragment
- unknown
- fragment ion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- PJMPHNIQZUBGLI-UHFFFAOYSA-N fentanyl Chemical compound C=1C=CC=CC=1N(C(=O)CC)C(CC1)CCN1CCC1=CC=CC=C1 PJMPHNIQZUBGLI-UHFFFAOYSA-N 0.000 title claims abstract description 103
- 229960002428 fentanyl Drugs 0.000 title claims abstract description 102
- 239000000126 substance Substances 0.000 title claims abstract description 84
- 238000001819 mass spectrum Methods 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 239000012634 fragment Substances 0.000 claims abstract description 70
- 238000013145 classification model Methods 0.000 claims abstract description 14
- 238000012216 screening Methods 0.000 claims abstract description 12
- 238000005336 cracking Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 5
- 150000002500 ions Chemical class 0.000 claims description 77
- 238000000034 method Methods 0.000 claims description 21
- 238000004949 mass spectrometry Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 238000000132 electrospray ionisation Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 abstract description 3
- 230000006399 behavior Effects 0.000 description 4
- 238000005040 ion trap Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 241000894007 species Species 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 239000003814 drug Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 206010028813 Nausea Diseases 0.000 description 1
- 208000004756 Respiratory Insufficiency Diseases 0.000 description 1
- 206010038678 Respiratory depression Diseases 0.000 description 1
- 206010047700 Vomiting Diseases 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002330 electrospray ionisation mass spectrometry Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000001294 liquid chromatography-tandem mass spectrometry Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008693 nausea Effects 0.000 description 1
- 239000000014 opioid analgesic Substances 0.000 description 1
- 210000002307 prostate Anatomy 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000008673 vomiting Effects 0.000 description 1
Images
Landscapes
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明提供了未知芬太尼类物质的质谱检测方法,包括以下步骤:(A1)建立芬太尼类物质的保守裂解行为,得到芬太尼类物质与其特征碎片离子信息的对应关系;(A2)利用多种芬太尼类物质的所述对应关系建立质谱库;(A3)获得多种已知芬太尼类物质和非芬太尼类物质的质谱图,并筛选出特征碎片离子信息;(A4)获得该特征碎片离子信息与质谱库中的特征碎片离子信息比对的相似度值,并从大到小排序;(A5)利用排序前列的多个相似度值建立分类模型;(A6)获得未知样品的质谱图,筛选出特征碎片离子信息,按照步骤(A4)中方式排序,利用所述分类模型处理排序前列的多个相似度值,从而确定未知样品是否是芬太尼类物质。本发明具有分类准确等优点。
Description
技术领域
本发明涉及质谱分析,特别涉及未知芬太尼类物质的质谱检测方法。
背景技术
芬太尼是一种阿片类镇痛药,其使用不当时会产生恶心呕吐、呼吸抑制等各种副作用,且具有成瘾性。我国于2019年5月1日起对芬太尼类物质实行整类列管。芬太尼的化学结构较为特殊,通过对其分子结构进行修饰很容易得到一系列芬太尼衍生物,导致芬太尼滥用形势严峻,给检测人员带来了极大的困难与挑战。因此准确、实时检测未知芬太尼类物质以阻断其发展对保障人类生命安全和维持社会安定具有重要意义。
质谱检测技术因具有灵敏度高、分辨率高、定性定量准确等优点被广泛应用于生物医药、环境监测和药物检测等领域。其中,通常采用电喷雾电离结合液相色谱-串联质谱检测各种复杂环境中的芬太尼类物质。样品经质谱分析得到其质谱图并利用质谱库检索进行识别,但是由于依赖实验建立的质谱库所需成本较高且芬太尼类物质因管控较严难以获取大量标准品,导致现有芬太尼谱库的覆盖范围较小。在谱库检索过程中,如果查询物质的质谱图不存在于谱库中,则无法匹配到正确结果,因此谱库的覆盖范围对检索结果影响很大。为了扩大质谱库的覆盖范围,现有方法提出建立质谱预测模型用于预测物质的质谱图。但是不同的模型只能预测某种特定质谱仪产生的质谱,无法应用于不同质谱仪的识别过程,阻碍了质谱数据信息的交互发展。且质谱预测模型工作的前提需要获取物质的分子结构,而芬太尼类物质的合成速度较快,质谱库的更新速度远远赶不上芬太尼类物质的合成速度,使得新出现在毒品市场上的芬太尼类物质的检测具有滞后性。
机器学习利用计算机算法和统计模型,可对现有数据特征进行学习以根据未知数据的特征预测其种类。但是现有质谱数据分类方法常利用质谱数据的质荷比和强度特征,没有挖掘更深入的特征导致分类的准确度较低。
发明内容
为解决上述现有技术方案中的不足,本发明提供了一种未知芬太尼类物质的质谱检测方法。
本发明的目的是通过以下技术方案实现的:
未知芬太尼类物质的质谱检测方法,所述未知芬太尼类物质的质谱检测方法包括以下步骤:
(A1)建立芬太尼类物质的保守裂解行为;
根据已知芬太尼类物质在不同类型质谱仪条件下的质谱图,筛选出与该芬太尼类物质对应的特征碎片离子信息,所述特征碎片离子信息包括特征碎片离子质量;
(A2)利用多种芬太尼类物质及其对应的特征碎片离子信息建立质谱库;
(A3)利用质谱仪获得多种已知芬太尼类物质和非芬太尼类物质的质谱图,并分别筛选出特征碎片离子信息;
(A4)获得该特征碎片离子信息与质谱库中的特征碎片离子信息比对的相似度值,并获得分别与已知芬太尼类物质和非芬太尼类物质对应的相似度值从大到小的排序;
(A5)利用排序前列的多个相似度值建立分类模型;
(A6)利用质谱仪获得未知样品的质谱图,筛选出特征碎片离子信息,获得该特征碎片离子信息与质谱库中芬太尼类物质的特征碎片离子信息比对的相似度值,并获得相似度值从大到小的排序,利用所述分类模型处理排序前列的多个相似度值,从而确定未知样品是否是芬太尼类物质。
与现有技术相比,本发明具有的有益效果为:
1.可跨平台使用;
本发明提出基于芬太尼类物质的保守裂解行为建立质谱库,由于电喷雾电离为软电离方式,对同一种物质进行质谱分析时得到的质谱图,质荷比特征有很大的相似性,区别主要在于离子丰度的不同;鉴于此,选择不同质谱仪产生的共有碎片离子,并剔除质谱的丰度信息,可以实现跨平台的芬太尼类物质检测,应用于所有类型的质谱仪,如双聚焦质谱仪、四极杆质谱仪、飞行时间质谱仪、离子阱质谱仪、傅里叶变换质谱仪等;
2.分类准确率高;
本发明提出相似度搜索算法结合机器学习建立分类模型的方法,实现未知芬太尼类物质的跨平台准确分类,在满足跨平台使用的条件下需剔除丰度信息,而挖掘的相似度特征使芬太尼类物质和非芬太尼类物质的区分度最大化,更利于分类,提高了分类准确率;
3.检测成本低;
本方法所建质谱库只利用二三十种具有代表性修饰位点的芬太尼类物质,可以建立上千种芬太尼类物质的质谱,不需要获取大量的芬太尼实验数据,极大程度地节约了成本。
附图说明
参照附图,本发明的公开内容将变得更易理解。本领域技术人员容易理解的是:这些附图仅仅用于举例说明本发明的技术方案,而并非意在对本发明的保护范围构成限制。图中:
图1是根据本发明实施例未知芬太尼类物质的质谱检测方法的流程示意图。
具体实施方式
图1和以下说明描述了本发明的可选实施方式以教导本领域技术人员如何实施和再现本发明。为了解释本发明技术方案,已简化或省略了一些常规方面。本领域技术人员应该理解源自这些实施方式的变型或替换将在本发明的范围内。本领域技术人员应该理解下述特征能够以各种方式组合以形成本发明的多个变型。由此,本发明并不局限于下述可选实施方式,而仅由权利要求和它们的等同物限定。
实施例1:
图1示意性地给出了本发明实施例1的未知芬太尼类物质的质谱检测方法的流程简图,如图1所示,所述未知芬太尼类物质的质谱检测方法包括以下步骤:
(A1)建立芬太尼类物质的保守裂解行为;
根据已知芬太尼类物质在不同类型质谱仪条件下的质谱图,筛选出与该芬太尼类物质对应的特征碎片离子信息,所述特征碎片离子信息包括特征碎片离子质量,不含离子丰度;
(A2)利用多种芬太尼类物质及其对应的特征碎片离子信息建立质谱库;
(A3)利用质谱仪获得多种已知芬太尼类物质和非芬太尼类物质的质谱图,并分别筛选出特征碎片离子信息;
(A4)获得该特征碎片离子信息与质谱库中的特征碎片离子信息比对的相似度值,并获得分别与已知芬太尼类物质和非芬太尼类物质对应的相似度值从大到小的排序;
(A5)利用排序前列的多个相似度值建立分类模型;
(A6)利用质谱仪获得未知样品的质谱图,筛选出特征碎片离子信息,获得该特征碎片离子信息与质谱库中芬太尼类物质的特征碎片离子信息比对的相似度值,并获得相似度值从大到小的排序,利用所述分类模型处理排序前列的多个相似度值,从而确定未知样品是否是芬太尼类物质。
为了确定未知样品为哪一种芬太尼类物质,进一步地,在步骤(A6)中的比对中,当相似度值排序第一时,此时比对的质谱库中芬太尼类物质和未知样品最为接近。
为了筛选出与芬太尼类物质一一对应的特异性的离子,进一步地,在步骤(A1)中,同一芬太尼类物质在不同类型质谱仪条件下得出的各质谱图中,共有的碎片离子作为特征碎片离子。
为了提高分类检测的准确性,进一步地,对质谱图中共有的碎片离子丰度从大到小排序,处于排序前列的离子作为所述特征碎片离子。
为了提高分类模型分类的准确性,进一步地,在步骤(A5)中,所述排序前列的多个相似度值作为特征建立数据集,并将数据集分为训练集和测试集,训练集和测试集包含的物质不相同。
为了与质谱库中的特征碎片离子信息对应,进一步地,在比对时,所有特征碎片离子的丰度均设置为相同。
为了提高分类准确性,进一步地,在电喷雾电离条件下,利用不同类型的质谱仪获得已知芬太尼类物质、非芬太尼类物质和未知样品的质谱图。
实施例2:
根据本发明实施例1的未知芬太尼类物质的质谱检测方法的应用例。
在本应用例中,如图1所示,未知芬太尼类物质的质谱检测方法包括以下步骤:
(A1)建立芬太尼类物质的保守裂解行为;
检索文献或者搜寻芬太尼类标准物质并做实验,均获得:使用电喷雾电离方式,获得多种已知芬太尼类物质在不同类型质谱仪条件下的质谱图,分别采用线性离子阱质谱仪和四级杆质谱仪获得质谱图;
在每一类芬太尼类物质对应的多个质谱图中,筛选出质谱图中共有的碎片离子,对共有的碎片离子的丰度从大到小排序,排列前五的碎片离子作为特征离子,特征碎片离子的质量作为特征碎片离子信息,剔除掉碎片离子丰度信息;
(A2)利用多种芬太尼类物质和其特征碎片离子信息的对应关系建立质谱库,芬太尼类物质的类别越多,后续未知样品的分类和定量更准确;
(A3)使用电喷雾电离方式,利用一种质谱仪获得多种已知芬太尼类物质及非芬太尼类物质在不同类型质谱仪条件下的质谱图,如采用线性离子阱质谱仪(美国Thermo公司)获得质谱图;
对获取的芬太尼类物质和非芬太尼类物质的质谱图进行特征离子提取,按照碎片离子的丰度从大到小排序,排列前五的碎片离子作为特征离子,特征碎片离子的质量作为特征碎片离子信息,剔除掉碎片离子丰度信息;
(A4)上一步骤获得的特征碎片离子信息与质谱库中的特征碎片离子信息进行比对,利用混合相似度搜索查询,获得分别与已知芬太尼类物质和非芬太尼类物质对应的相似度值从大到小的排序;
(A5)利用排序前十的相似度值建立分类模型,具体方式为:
排序前十的相似度值作为特征建立数据集,并将数据集分为训练集(80%)和测试集(20%),训练集和测试集包含的物质不相同。;
将划分的训练集导入机器学习分类方法(包括但不限于随机森林、朴素贝叶斯、支持向量机、k近邻、决策树、逻辑回归)构建分类模型,利用测试集对构建的分类模型进行测试,选择最优算法模型,得到分类结果;
(A6)使用电喷雾电离方式,获得未知样品在一种质谱仪条件下的质谱图,如采用线性离子阱质谱仪(美国Thermo公司)获得质谱图;
对获取的未知样品的谱图进行特征离子提取,按照碎片离子的丰度从大到小排序,排列前五的碎片离子作为特征离子,特征碎片离子的质量作为特征碎片离子信息,剔除掉碎片离子丰度信息;
利用所述分类模型处理排序前列的多个相似度值,从而确定未知样品是否是芬太尼类物质;
如果是芬太尼类物质,在本步骤的比对中,当相似度值排序第一时,此时比对的质谱库中芬太尼类物质和未知样品最为接近,也即相似度最高。
对比例1
按照本发明的以相似度值为特征的分类与现有技术中以质荷比为特征的分类,分类准确率如下表。
可见,采用本发明的以相似度值为特征的分类方法后,不论机器学习中哪一种方法,准确率均得到提升。
对比例2
利用本发明的检测方法,采用不同类型的质谱仪去检测同一未知样品,分类准确率如下表。
可见,采用本发明的方法后,不论采用哪一种质谱仪,分类准确率均能保证。
Claims (10)
1.未知芬太尼类物质的质谱检测方法,所述未知芬太尼类物质的质谱检测方法包括以下步骤:
(A1)建立芬太尼类物质的保守裂解行为;
根据已知芬太尼类物质在不同类型质谱仪条件下的质谱图,筛选出与该芬太尼类物质对应的特征碎片离子信息,所述特征碎片离子信息包括特征碎片离子质量;
(A2)利用多种芬太尼类物质及其对应的特征碎片离子信息建立质谱库;
(A3)利用质谱仪获得多种已知芬太尼类物质和非芬太尼类物质的质谱图,并分别筛选出特征碎片离子信息;
(A4)获得该特征碎片离子信息与质谱库中的特征碎片离子信息比对的相似度值,并获得分别与已知芬太尼类物质和非芬太尼类物质对应的相似度值从大到小的排序;
(A5)利用排序前列的多个相似度值建立分类模型;
(A6)利用质谱仪获得未知样品的质谱图,筛选出特征碎片离子信息,获得该特征碎片离子信息与质谱库中芬太尼类物质的特征碎片离子信息比对的相似度值,并获得相似度值从大到小的排序,利用所述分类模型处理排序前列的多个相似度值,从而确定未知样品是否是芬太尼类物质。
2.根据权利要求1所述的未知芬太尼类物质的质谱检测方法,其特征在于,在步骤(A6)中的比对中,当相似度值排序第一时,此时比对的质谱库中芬太尼类物质和未知样品最接近。
3.根据权利要求1所述的未知芬太尼类物质的质谱检测方法,其特征在于,在步骤(A1)中,同一芬太尼类物质在不同类型质谱仪条件下得出的各质谱图中,共有的碎片离子作为特征碎片离子。
4.根据权利要求3所述的未知芬太尼类物质的质谱检测方法,其特征在于,对质谱图中共有的碎片离子丰度从大到小排序,处于排序前列的离子作为所述特征碎片离子。
5.根据权利要求1所述的未知芬太尼类物质的质谱检测方法,其特征在于,在步骤(A1)-(A6)中,特征碎片离子信息均是离子质量,不含离子丰度。
6.根据权利要求5所述的未知芬太尼类物质的质谱检测方法,其特征在于,特征碎片离子信息包括5个特征碎片离子质量。
7.根据权利要求1所述的未知芬太尼类物质的质谱检测方法,其特征在于,在步骤(A5)中,所述排序前列的多个相似度值作为特征建立数据集,并将数据集分为训练集和测试集,训练集和测试集包含的物质不相同。
8.根据权利要求1所述的未知芬太尼类物质的质谱检测方法,其特征在于,筛选出5种特征碎片离子,排序前列是排名前十的相似度值。
9.根据权利要求1所述的未知芬太尼类物质的质谱检测方法,其特征在于,在比对时,所有特征碎片离子的丰度均设置为相同。
10.根据权利要求1所述的未知芬太尼类物质的质谱检测方法,其特征在于,在电喷雾电离条件下,利用不同类型的质谱仪获得已知芬太尼类物质、非芬太尼类物质和未知样品的质谱图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211442157.0A CN115753953A (zh) | 2022-11-17 | 2022-11-17 | 未知芬太尼类物质的质谱检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211442157.0A CN115753953A (zh) | 2022-11-17 | 2022-11-17 | 未知芬太尼类物质的质谱检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115753953A true CN115753953A (zh) | 2023-03-07 |
Family
ID=85372907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211442157.0A Pending CN115753953A (zh) | 2022-11-17 | 2022-11-17 | 未知芬太尼类物质的质谱检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115753953A (zh) |
-
2022
- 2022-11-17 CN CN202211442157.0A patent/CN115753953A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7026148B2 (ja) | 生成イオンスペクトルのデータ独立取得および参照スペクトルライブラリ照合 | |
Zhang et al. | Review of peak detection algorithms in liquid-chromatography-mass spectrometry | |
CN107729721B (zh) | 一种代谢物鉴定及紊乱通路分析方法 | |
US20140138535A1 (en) | Interpreting Multiplexed Tandem Mass Spectra Using Local Spectral Libraries | |
WO2012125121A1 (en) | A method, an apparatus, and a computer program product for identifying metabolites from liquid chromatography-mass spectrometry measurements | |
Madiona et al. | Multivariate analysis of ToF‐SIMS data using mass segmented peak lists | |
CN110349621B (zh) | 肽段-谱图匹配可信度检验方法、系统、存储介质及装置 | |
US9625470B2 (en) | Identification of related peptides for mass spectrometry processing | |
Carby‐Robinson et al. | Cocaine profiling method retrospectively developed with nontargeted discovery of markers using liquid chromatography with time‐of‐flight mass spectrometry data | |
CN115380212A (zh) | 用于比较群组内和群组间数据的方法、介质和系统 | |
Pan et al. | Machine-learning assisted molecular formula assignment to high-resolution mass spectrometry data of dissolved organic matter | |
CN115753953A (zh) | 未知芬太尼类物质的质谱检测方法 | |
CN113484400B (zh) | 基于机器学习的质谱图分子式计算方法 | |
EP3341737B1 (en) | Rapid scoring of lc-ms/ms peptide data | |
EP4078600A1 (en) | Method and system for the identification of compounds in complex biological or environmental samples | |
JP7021754B2 (ja) | 質量分析装置、質量分析方法および質量分析プログラム | |
CN111883214A (zh) | 构建诱饵库、构建目标-诱饵库、代谢组fdr鉴定的方法及装置 | |
CN111896609A (zh) | 一种基于人工智能分析质谱数据的方法 | |
US11990327B2 (en) | Method, system and program for processing mass spectrometry data | |
CN113744814B (zh) | 基于贝叶斯后验概率模型的质谱数据搜库方法及系统 | |
CN116106464B (zh) | 质谱数据质量程度或概率的控制系统、评估系统及方法 | |
Zhang et al. | Electron ionization mass spectrometry feature peak relationships combined with deep classification model to assist similarity algorithm for fast and accurate identification of compounds | |
US20230288384A1 (en) | Method for determining small molecule components of a complex mixture, and associated apparatus and computer program product | |
Codrea et al. | Robust peak detection and alignment of nanoLC-FT mass spectrometry data | |
CN110163276B (zh) | 一种近红外光谱建模样本的筛选方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |